Sześć. Odyssey-3 — model świata, który uczy roboty fizyki z wideo
W warstwie badawczej na uwagę zasługuje premiera Odyssey-3, modelu świata typu foundation, który generuje z tekstu nawigowalne środowiska i przewiduje, jak scena zmieni się pod wpływem działań osoby lub agenta. Architektura to autoregresyjny transformator dyfuzyjny, a producent raportuje najwyższy znany wynik na teście Physics-IQ Verified w trybie wideo na wideo — sześćdziesiąt sześć i jedna dziesiąta punktu — oraz pierwsze miejsce w trzech z czterech kategorii rankingu WorldMark. Najbardziej nośna jest jednak teza o ponownym użyciu: ten sam przedtrenowany szkielet obsługuje symulację interaktywną, sterowanie maszynami i trenowanie agentów, a zamrożone reprezentacje wizualne wystarczyły, by po dwudziestu godzinach danych z jazdy po Indiach polityka sterowania samochodem prowadziła w zamkniętej pętli. Zastrzeżenia są tu jednak istotne: wiodący wynik osiągnięto z próbkowania ośmiu generacji na scenę, czyli dużym kosztem, a dowody na przenoszenie umiejętności na nowe maszyny opierają się na demonstracjach samego producenta i wymagają niezależnej replikacji. To obiecujący kierunek redukcji kosztu adaptacji robotów, ale na tym etapie bardziej hipoteza niż potwierdzony przełom.